Se ha confirmado la existencia de cincuenta planetas potenciales mediante un nuevo algoritmo de aprendizaje automático desarrollado por científicos de la Universidad de Warwick.
Por primera vez, los astrónomos han utilizado un proceso basado en el aprendizaje automático, una forma de inteligencia artificial, para analizar una muestra de planetas potenciales y determinar cuáles son reales y cuáles son 'falsos', o falsos positivos, calculando la probabilidadde cada candidato a ser un verdadero planeta.
Sus resultados se informan en un nuevo estudio publicado en Avisos mensuales de la Royal Astronomical Society , donde también realizan la primera comparación a gran escala de tales técnicas de validación de planetas. Sus conclusiones justifican el uso de múltiples técnicas de validación, incluido su algoritmo de aprendizaje automático, al confirmar estadísticamente futuros descubrimientos de exoplanetas.
Muchos estudios de exoplanetas buscan a través de grandes cantidades de datos de telescopios las señales de planetas que pasan entre el telescopio y su estrella, lo que se conoce como tránsito. Esto da como resultado una caída reveladora en la luz de la estrella que detecta el telescopio, pero también podríaser causado por un sistema estelar binario, la interferencia de un objeto en el fondo o incluso pequeños errores en la cámara. Estos falsos positivos se pueden filtrar en un proceso de validación planetaria.
Investigadores de los Departamentos de Física y Ciencias de la Computación de Warwick, así como del Instituto Alan Turing, crearon un algoritmo basado en el aprendizaje automático que puede separar planetas reales de los falsos en las grandes muestras de miles de candidatos encontrados por misiones de telescopios como la de la NASA.Kepler y TESS.
Fue entrenado para reconocer planetas reales usando dos grandes muestras de planetas confirmados y falsos positivos de la misión Kepler ahora retirada. Los investigadores luego usaron el algoritmo en un conjunto de datos de candidatos planetarios aún no confirmados de Kepler, lo que resultó en cincuenta nuevos planetas confirmados yel primero en ser validado por aprendizaje automático. Las técnicas de aprendizaje automático anteriores han clasificado a los candidatos, pero nunca determinaron la probabilidad de que un candidato fuera un verdadero planeta por sí mismos, un paso necesario para la validación del planeta.
Esos cincuenta planetas van desde mundos tan grandes como Neptuno hasta más pequeños que la Tierra, con órbitas de hasta 200 días hasta tan solo un día. Al confirmar que estos cincuenta planetas son reales, los astrónomos ahora pueden priorizarlos para futuras observaciones contelescopios dedicados.
El Dr. David Armstrong, del Departamento de Física de la Universidad de Warwick, dijo: "El algoritmo que hemos desarrollado nos permite llevar cincuenta candidatos a través del umbral para la validación de planetas, actualizándolos a planetas reales. Esperamos aplicar esta técnica a muestras grandesde candidatos de misiones actuales y futuras como TESS y PLATO.
"En términos de validación de planetas, nadie ha usado una técnica de aprendizaje automático antes. El aprendizaje automático se ha utilizado para clasificar candidatos planetarios, pero nunca en un marco probabilístico, que es lo que se necesita para validar realmente un planeta. En lugar de decirqué candidatos tienen más probabilidades de ser planetas, ahora podemos decir cuál es la probabilidad estadística precisa. Cuando hay menos del 1% de probabilidad de que un candidato sea un falso positivo, se considera un planeta validado ".
El Dr. Theo Damoulas del Departamento de Ciencias de la Computación de la Universidad de Warwick, y subdirector de Ingeniería Centrada en Datos y miembro de Turing en el Instituto Alan Turing, dijo: "Los enfoques probabilísticos del aprendizaje automático estadístico son especialmente adecuados para un problema emocionante como este enastrofísica que requiere la incorporación de conocimientos previos, de expertos como el Dr. Armstrong, y la cuantificación de la incertidumbre en las predicciones. Un excelente ejemplo cuando la complejidad computacional adicional de los métodos probabilísticos se amortiza significativamente ".
Una vez construido y entrenado, el algoritmo es más rápido que las técnicas existentes y se puede automatizar por completo, lo que lo hace ideal para analizar los miles de candidatos planetarios potenciales observados en encuestas actuales como TESS. Los investigadores argumentan que debería ser una de las herramientas para serutilizado colectivamente para validar planetas en el futuro.
El Dr. Armstrong agrega: "Casi el 30% de los planetas conocidos hasta la fecha se han validado con un solo método, y eso no es lo ideal. El desarrollo de nuevos métodos de validación es deseable solo por esa razón. Pero el aprendizaje automático también nos permite hacerlo muyrápidamente y priorice a los candidatos mucho más rápido.
"Todavía tenemos que dedicar tiempo a entrenar el algoritmo, pero una vez hecho esto, es mucho más fácil aplicarlo a futuros candidatos. También puede incorporar nuevos descubrimientos para mejorarlo progresivamente.
"Se predice que una encuesta como TESS tendrá decenas de miles de candidatos planetarios y es ideal poder analizarlos todos de manera consistente. Los sistemas rápidos y automatizados como este que pueden llevarnos hasta planetas validados en menos pasos permitenlo hacemos de manera eficiente ".
Fuente de la historia :
Materiales proporcionado por Universidad de Warwick . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :